一种基于深度学习的前列腺影像检测方法及检测系统

技术领域

本发明涉及医学影像领域，尤其是涉及一种基于深度学习的前列腺影像检测方法及检测系统。

背景技术

近年来前列腺癌发病率呈上升趋势，现已成为老年男性最常见的恶性肿瘤之一。前列腺磁共振影像(MRI)检查作为前列腺癌的分期手段和诊断方法，越来越多的受到临床医师重视。但医生在诊断时，通常需要对MRI的多个模态进行阅片和对比，其诊断效率和工作量是医生在前列腺诊断领域的一大痛点。此外，医生在诊断前列腺癌症的同时，还需根据多模态的MRI给出前列腺影像报告数据系统指南(Prostate Imaging Reporting and DataSystem，PI-RADS)，指导临床医生对前列腺癌的恶性程度做出准确分级，进一步地增加了医生的工作量。

随着近年来深度学习等一系列方法的发展，在医学图像处理领域取得了突破性的进展，因此借助深度学习等方法来进行对前列腺癌症的分析有着巨大的发展前景，而目前多模态MRI前列腺癌症的自动化诊断算法较少，且没有针对该任务进行针对性的优化。

有的影像学报告都是医生通过PACS(Picture Archiving and communicationSystem，影像归档和通信)系统对不同模态的前列腺MRI进行多次翻阅对比，对前列腺以及病灶进行定位以及对病灶的影像学特征进行判读，并给出PI-RADs评分，这样往往需要进行大量的重复性劳动。

深度学习已经逐渐被用于现有的一部分的疾病诊断中，在前列腺癌症的分析领域也有所涉及。专利申请CN111028206A公开了一种基于深度学习前列腺癌自动检测和分类系统，该申请基于深度学习的前列腺癌灶检测算法，使用两个阶段策略，即先对异常区域进行分割，再对每个疑似病灶进行分类，该类算法对两个算法有更高的要求，两个算法的误差容易累积。专利申请WO/2018/156778公开了一种Detection of prostate cancer in multi-parametric MRI using random forest with instance weighting and MR prostatesegmentation by deep learning with holistically-nested networks(基于实例加权随机森林的多参数MRI前列腺癌检测和基于整体嵌套网络的深度学习前列腺癌分割)，该申请将多模态MRI作为多通道一同输入网络，共同进行卷积计算，甚至使用像素级随机森林对多模态MRI进行分割，忽略了各模态间的风格差异与多次扫描在空间上的位置误差等干扰因素。此外，还存在以下不足：1)在网络的计算细节上，缺少对多中心收集到不同参数(如DWI影像的不同b值)的功能性成像的支持，即当测试数据与训练集的分布差异较大时，算法性能大幅下降；2)对于PI-RADs评分，主流方法多采用影像组学的方式进行预测，缺少与癌症病灶分割任务的信息融合，无法充分利用两种标注。

发明内容

本发明的目的就是为了提供一种有效提升影像检测准确度的基于深度学习的前列腺影像检测方法及检测系统。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的前列腺影像检测方法，包括以下步骤：

获取带标记的多模态前列腺数据集，包括结构性成像数据集和功能性成像数据集；

将所述多模态前列腺数据集输入至预先构建好的前列腺癌症病灶分割网络模型，最终输出癌症病灶的分割图和PI-RADs等级评分；

其中，结构性成像数据集和功能性成像数据集分别采用单通道输入和多通道输入方式输入至模型中，并行计算特征编码以提取高维特征。

进一步地，所述结构性成像数据集包括T2W数据，所述功能性成像数据集包括ADC和DWI数据。

进一步地，基于编码器计算所述特征编码，并在提取高维特征过程中对编码器各层的特征进行融合。

进一步地，提取高维特征过程中还采用自适配的归一化方法对所述多模态前列腺数据集进行归一化处理。

进一步地，所述自适配的归一化方法包括实例归一化、层归一化和批量归一化。

进一步地，采用多任务学习对所述高维特征进行处理以获得癌症病灶的分割图和PI-RADs等级评分。

进一步地，所述多任务学习包括分割解码处理和分类处理。

进一步地，所述前列腺癌症病灶分割网络模型在训练过程中损失函数为：

Loss＝α×L

式中，Loss为损失，α为权重，L

进一步地，采用卷积神经网络构建所述前列腺癌症病灶分割网络模型。

本发明还提供一种基于深度学习的前列腺影像检测系统，包括：

数据集获取单元：用于获取带标记的多模态前列腺数据集，包括结构性成像数据集和功能性成像数据集；

结果输出单元：用于将多模态前列腺数据集输入至预先构建好的前列腺癌症病灶分割网络模型，最终输出癌症病灶的分割图和PI-RADs评分；

其中，结构性成像数据集和功能性成像数据集分别采用单通道输入和多通道输入方式输入至模型中，并行计算特征编码以提取高维特征。

与现有技术相比，本发明具有以下有益效果：

(1)本发明通过构建前列腺癌症病灶分割网络模型对前列腺影像中的癌症病灶进行检测针对多模态中的功能成像数据和结构成像数据做了并行的高维特征提取，以减少两种成像的风格不一致、未对齐等因素的干扰，从而有效提升影像检测准确度。

(2)本发明将两类影像数据进行并行编码以提取特征，并添加双向门对两个并行分支的各层特征进行融合，提升分割精度的同时，最大程度降低两类影像之间的差异对模型带来的干扰。

(3)本发明为了兼容数据分布差异较大的DWI影像中的各b值，将网络中的批量归一化替换为自适配的归一化，引入实例归一化、分组归一化等不同方式，增强低维特征对于不同数据分布的输入影像的泛化能力。

(4)本发明对提取的高维特征进行多任务学习，多任务学习包括分割解码处理和分类处理，分别用于生成癌症病灶的分割图和PI-RADs等级评分，对数据的PI-RADs等级评分进行预测，同时提升模型的鲁棒性。

附图说明

图1为本发明实施例的方法流程示意图；

图2为本发明实施例的网络模型结构图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例提供一种基于深度学习的前列腺影像检测方法，如图1所示，该方法包括以下步骤：

S1、获取带标记的多模态前列腺数据集，包括结构性成像数据集和功能性成像数据集。

从PACs系统中获取多模态前列腺MRI影像，包括T2W(T2加权影像)，ADC(ApparentDiffusion Coefficient，表观弥散系数)，DWI(Diffusion Weighted Imaging，弥散加权成像)，其中T2W为结构性成像，能够提供较为清晰的结构边界；ADC和DWI为功能性成像，能够提供更丰富的病灶信息，其中DWI存在一至多个参数(b值)，不同b值的DWI中腺体和病灶的亮度表征不一致，且不同设备/中心对于DWI模态b值的选择不一致。

请多位经验丰富的放射科医生等具有专业诊断技能的标注人员，对每个病例的癌灶区域进行勾画，并记录每个病例的PI-RADs分级结果，形成基础标注数据集。

S2、将所述多模态前列腺数据集输入至预先构建好的前列腺癌症病灶分割网络模型，最终输出癌症病灶的分割图和PI-RADs等级评分；其中，结构性成像数据集和功能性成像数据集分别采用单通道输入和多通道输入方式输入至模型中，并行计算特征编码以提取高维特征。

如图2所示，本实施例提出了用于多模态前列腺影像检测的前列腺癌病灶分割网络模型。区别于主流网络训练流程中，直接将多个模态数据作为多通道输入网络中进行特征编码的设计，本实施例提出了一种并行的编码器结构，用于区分输入模态中的结构性影像和功能性影像。如图2的上方所示，将T2W(结构性影像)作为并行编码器1的单通道输入，将ADC/DWI(功能性影像)作为并行编码器2的多通道输入，进行并行的特征编码计算。由于并行编码，本实施例提出的方法同时也能对两种模态间的位置误差(人体组织在扫描不同模态数据时有运动等因素)进行一定程度的兼容。

额外的，为了保留对两种成像影像之间参考信息的互相利用，在两个并行编码器的各个层间，增加特征融合模块，提供两个并行的中间特征图之间的信息交互，如图2所示。

在两个并行编码器的输出端，两个特征图进行融合得到编码器部分的最终输出，即为图2中的高维特征。

并行编码器的设计，是为了更好地兼容不同成像数据之间的特征差异，但同种成像数据内部，还会存在数据分布的不一致，如DWI的不同b值。当训练集中DWI的b值与测试环境中DWI的b值差异较大时，模型的性能会大幅下降甚至出现显著的失败情况。为此，如图2所示，本实施例在两个并行编码器中的卷积模块中，使用自适配的归一化模块替代了主流网络中使用的批量归一化(batch normalization)。

自适配的归一化模块可以允许网络通过可微分学习，为其中每一个归一化层确定合适的归一化操作，包括但不限于实例归一化(instance normalization)、层归一化(layer normalization)和批量归一化等。通过这些不同的归一化操作，可以让网络对于不同分布的低层特征拥有更强的泛化能力。进而一定程度上，更好地兼容不同b值的DWI影像对网络性能的影响。

主流的前列腺影像的PI-RADs预测多采用腺体区域的影像组学特征，输入传统机器学习方法(如决策树、随机森林等)中得到最终的预测结果。这种方法对图像的特征提取能力有限(尤其是在不同模态的情况下)，同时也无法合理地融合利用两种标注数据，进一步限制了算法的准确度。

本实施例在上述的前列腺癌症病灶分割网络的基础上，在网络编码部分输出的高维特征上，增加了多任务学习模块，如图2所示。高维特征包含了整个编码器对于多模态影像的丰富信息，并且拥有分割和分类两种标注信息的驱动，可以进一步提升网络的准确度。多任务学习模块包含有分割解码模块和分类器，分割解码模块负责生成癌症病灶的分割图，而分类器负责生成PI-RADs的5级评分。

通过上述构建模型的框架，接下来将进行模型训练，以构建前列腺癌症病灶分割网络模型。在模型的训练阶段，将训练集的多模态数据进行读取和预处理，并按上述所述的方式进行分组(每个病例按结构成像和功能成像进行分拆)，输入至网络的对应输入单元中，进行计算。在Loss计算方面，由于多任务学习的设计，存在两方面的内容：网络在分类模块的输出与对应的PI-RADs评分标注计算得到L

Loss＝α×L

式中，Loss为损失，α为权重，L

在网络的训练迭代过程中，Loss逐渐降低直至收敛，则网络训练完成。

在模型的测试阶段，将测试集的多模态数据进行同样的读取、预处理和分组，并分别输入至训练好的网络的两个输入单元，网络在计算后可以得到该病例的PI-RADs评分和癌症病灶区域的预测结果。

上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

实施例2

本实施例提供一种基于深度学习的前列腺影像检测系统，包括：

数据集获取单元：用于获取带标记的多模态前列腺数据集，包括结构性成像数据集和功能性成像数据集；

结果输出单元：用于将多模态前列腺数据集输入至预先构建好的前列腺癌症病灶分割网络模型，最终输出癌症病灶的分割图和PI-RADs评分；

其中，结构性成像数据集和功能性成像数据集分别采用单通道输入和多通道输入方式输入至模型中，并行计算特征编码以提取高维特征。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。